Programming ML.NET: Developer Reference
Autor Dino Esposito, Francesco Espositoen Limba Engleză Paperback – 30 mai 2022
În domeniul dezvoltării software moderne, integrarea inteligenței artificiale a devenit o competență critică pentru inginerii care lucrează în ecosistemul Microsoft. Programming ML.NET oferă o cale de acces directă către acest univers, transformând un subiect adesea abstract într-un set de instrumente practice pentru dezvoltatorul .NET. Considerăm că forța acestui volum rezidă în structura sa orientată pe sarcini specifice, care oglindește modul în care a fost construit însuși framework-ul ML.NET.
Abordarea autorilor Dino Esposito și Francesco Esposito diferă de cea din ML.NET Revealed prin accentul pus pe scenarii de business reale și mai puțin pe mecanismele interne ale algoritmilor. În timp ce alte resurse se concentrează pe teoria matematică, această lucrare este construită pe „ML Tasks” — module dedicate pentru predicție, clasificare sau detecția anomaliilor — permițând implementarea rapidă a soluțiilor fără a necesita un doctorat în data science. Merită menționat că autorul păstrează rigoarea pragmatică din Programming ASP.NET Core, aplicând aceeași metodologie de rezolvare a problemelor bazată pe context.
Structura narativă a cărții ghidează cititorul de la fundamentele arhitecturale din primele capitole către aplicații complexe de Deep Learning și rețele neuronale în capitolele finale. Un element distinctiv este capitolul 12, care prezintă un studiu de caz aplicat: crearea unei rețele neuronale pentru recunoașterea pașapoartelor. De asemenea, spre deosebire de Machine Learning Projects for .NET Developers, care utilizează F#, acest volum rămâne ancorat în mediul familiar C#, oferind totodată punți de legătură către ecosistemul Python, esențial în fluxurile de lucru de AI contemporane.
Preț: 254.33 lei
Preț vechi: 317.92 lei
-20%
Carte disponibilă
Livrare economică 23 mai-06 iunie
Livrare express 12-16 mai pentru 33.19 lei
Specificații
ISBN-10: 0137383657
Pagini: 256
Dimensiuni: 185 x 228 x 15 mm
Greutate: 0.46 kg
Editura: Pearson Education (US)
Colecția Developer Reference
Seria Developer Reference
De ce să citești această carte
Pentru un dezvoltator .NET care dorește să evolueze spre AI, Programming ML.NET este resursa ideală. Cartea elimină bariera de intrare complexă prin exemple direct aplicabile în C#, transformând conceptele de Machine Learning în task-uri de programare familiare. Câștigați abilitatea de a construi sisteme de recomandare, prognoză și clasificare a imaginilor folosind instrumentele pe care le stăpâniți deja, crescându-vă valoarea pe piața muncii.
Despre autor
Dino Esposito este un expert recunoscut la nivel mondial în dezvoltarea pe platforma Microsoft, autor al numeroase volume de referință în seria Developer Reference. Cu o carieră marcată de publicarea unor ghiduri esențiale precum Programming ASP.NET Core, Esposito este apreciat pentru capacitatea de a traduce tehnologiile complexe în fluxuri de lucru pragmatice pentru programatori. În Programming ML.NET, el colaborează cu Francesco Esposito, aducând o perspectivă modernă asupra modului în care Machine Learning poate fi integrat organic în aplicațiile enterprise actuale.
Descriere scurtă
Notă biografică
Francesco Esposito holds a degree in Mathematics, is the co-author of Introducing Machine Learning, and lives suspended between the depth of advanced mathematics and the intrigue of data science. He currently serves as the Head of Engineering and Data at Crionet. As an entrepreneur he founded Youbiquitous, a data analysis and software factory, and KBMS Data Force, a startup in Digital Therapy and intelligent healthcare.
Cuprins
CHAPTER 2 An Architectural Perspective of ML.NET
CHAPTER 3 The Foundation of ML.NET
CHAPTER 4 Prediction Tasks
CHAPTER 5 Classification Tasks
CHAPTER 6 Clustering Tasks
CHAPTER 7 Anomaly Detection Tasks
CHAPTER 8 Forecasting Tasks
CHAPTER 9 Recommendation Tasks
CHAPTER 10 Image Classification Tasks
CHAPTER 11 Overview of Neural Networks
CHAPTER 12 A Neural Network to Recognize Passports
APPENDIX A Model Explainability